Data Scientist

Le data scientist crée de la valeur là où les règles métier plafonnent : scoring, prévision de demande, détection de fraude, pricing, recommandation. Bien recruté, il attaque des problèmes à fort ROI avec la bonne méthode — parfois une régression simple vaut mieux qu'un deep learning coûteux. Mal recruté, c'est le syndrome bien connu : des notebooks brillants qui ne quittent jamais le laptop, des POC qui s'empilent sans jamais toucher la production ni le P&L. Le critère décisif n'est plus la sophistication des modèles mais le sens produit : comprendre le problème business, choisir la solution la plus simple qui marche, et collaborer avec les ingénieurs pour la mettre en production. À l'ère des LLM, son terrain se déplace vers l'évaluation, la donnée propriétaire et les modèles spécialisés — là où l'API générique ne suffit pas.

• Cadrer les problèmes business en problèmes de modélisation
• Explorer les données et construire les features
• Développer et évaluer les modèles (ML classique, deep learning)
• Mesurer l'impact réel (tests A/B, métriques business)
• Collaborer avec ML engineers pour l'industrialisation
• Communiquer résultats et limites aux décideurs
• Assurer la veille méthodologique (LLM, causal, etc.)

ML Engineer (Machine Learning Engineer)·Data Analyst·Chercheur en IA (AI Researcher)·Data Engineer